把一整幅遥感图“切”成有意义的地块，靠什么？航天宏图 PIE-SIAS 尺度集影像分析
让计算机“看懂”一张遥感图，传统的做法是一个像素一个像素地看颜色，把每个像素分到某个类别。这样做有一个老毛病：容易产生“椒盐噪声”——相邻的像素被分进不同的类，一块完整的农田，被拆得稀碎。
可人看影像，从来不是数像素。人看到的，是“一块地”“一片水”“一栋楼”。面向对象分析，就是让计算机也学会这么看：先把影像切成一个个有意义的“对象”（图斑），再对图斑整体分类。
所谓“椒盐噪声”，可以想象成撒在影像上的一把碎盐粒和碎胡椒——本该是一整块的水田，被拆成星星点点的“水”和“非水”。计算机没有错，是“逐像素”这个方法本身，把连续的地物打碎了。
问题是，这一刀怎么“切”，才能切得刚刚好？航天宏图的 PIE-SIAS 尺度集影像分析软件，就是为回答这个问题而做的。
一、PIE-SIAS 是什么
PIE-SIAS V7.0，是航天宏图自主研发的一款影像分析工具，采用面向对象的分析方法，在影像信息挖掘上做出了一套更接近人眼认知的路径。
它拥有面向多源遥感数据的全流程解译分析能力，功能覆盖尺度集分割、人工样本选择、自动样本选择、面向对象分类、变化检测、分类后处理、半自动交互式信息提取、专题制图等方面，广泛服务于国土、水利、农业、林业、环保等领域。
逐像素分类看的是“一个点的颜色”，面向对象分类看的是“一块区域的形状、纹理、光谱与上下文”。一块农田，在逐像素眼里是成千上万个独立的点，在面向对象眼里是一个完整的图斑。对图斑分类，结果才干净、才符合业务里“这块地是农田、那片是林地”的真实划分。
二、“切”的艺术：尺度集分割
分割，是面向对象分析的第一步，也是最见功夫的一步。难点在于，地物有大有小：一栋楼和一片农田，需要的“切割尺度”完全不同。切得太细，农田碎成渣；切得太粗，小楼又被吞进别的图斑里。
PIE-SIAS 基于自主研发的尺度集分割算法，一次分割，即可实现影像的多尺度同步预览，分割尺度还能自由无级变换——就像看地图时平滑地缩放，大尺度看大块、小尺度看细节。
在分割时，算法综合利用影像的光谱、纹理、形状、边缘等特征，边界比传统分割算法更加准确、清晰。效率上，它采用多核并行处理，结合 CPU-GPU 联合加速，分割效率是同类产品的 2 到 3 倍。
之所以叫“尺度集”，是因为它提供的不是一个固定尺度，而是把多个尺度“集合”在一次分割里。地物大小不一，本来要按不同尺度分割好几次；尺度集算法一次完成，之后在不同尺度之间平滑切换，既省了重复分割的功夫，又让“切多大”这件事可以随时调整。
三、标样本，是分类的地基
切好之后，要给图斑分类。分类不是凭空来的，它需要“样本”——先告诉计算机一批“标准答案”，计算机再照着学。
PIE-SIAS 支持在多尺度分割结果上做样本选择，能兼顾同一场景里尺寸不同的大块农田和小栋建筑，从而提高分类精度。更省力的是，它还有自动类别确定算法——从分割对象中自动确定部分对象的类别作为样本，减少人工标注的工作量。
在分类方式上，它既支持基于样本的监督分类，也支持规则集分类：软件提供丰富的光谱、纹理、形状特征库，用户可以据此快速构建规则集，按规则对影像做单一或全部类别的提取。
四、一次建模，多处复用
分类模型不是一次性的。PIE-SIAS 支持“新建分类模型”和“使用分类模型”两种方式：前者设置参数、用样本训练后分类；后者直接调用已保存的模型，对新的影像分类，不需要重新选样本。
这意味着，构建一次模型，就能对多景、不同区域的影像复用——把“训一次、用多次”的复利，落到遥感解译里。
变化检测是面向对象分析的另一处典型用途：对同一区域的前后两期影像分别分割、分类，再比对图斑的变化，就能定位“哪里新增了建筑”“哪里水体退了”。对国土监测、两违整治这类“盯变化”的业务，面向对象的变化检测比逐像素比对更稳、更可解释。
五、一键提取，批量协同
除了整幅分类，PIE-SIAS 还提供了“魔术棒”式的交互提取工具：结合地物提取算法和区域生长算法，对影像里的水体、植被、建筑物等地物做一键式边界提取，按先验条件对单个区域、全图乃至多景影像做自动化、高精度提取。
面对大批量影像，它可以构建批处理工程，把影像分割、自动样本选择、影像分类串成批处理流水线；再配合类别合并、边缘整饰等后处理工具，以及多人协同作业机制——服务器构建工程、分发任务，多个工作站分工处理，最后合并结果——让大范围的解译作业跑得起来。
分类结果出炉，往往还要“修一修”：把相邻的同类图斑合并、把边缘整饰平滑、把误分的类别转换过来。PIE-SIAS 把这些后处理工具集成在一起，让结果从“能用”走向“好用”。
这些能力落到业务里，同样是一件件具体的事：国土里，用面向对象分类和变化检测，做地类图斑的提取与两违监测；水利里，用“魔术棒”一键提取水体，再比对前后两期影像看水域变化；农业里，对不同尺度的农田做分割分类，摸清作物种植结构。从“逐像素”到“看对象”，变的不只是算法，更是遥感解译离真实业务的距离。这是一条从“看颜色”到“看对象”的进阶之路。
把一整幅遥感图“切”成有意义的地块，靠的是一套面向对象的思路，再加上尺度集分割这个“切”的本事。PIE-SIAS 要做的，就是让计算机像人一样“看对象”，而不是“数像素”。